Trả về các ước tính về hình dạng [nếu có], vị trí và tham số tỷ lệ từ dữ liệu. Phương pháp ước tính mặc định là Ước tính khả năng tối đa [MLE], nhưng Phương pháp thời điểm [MM] cũng khả dụng
Các ước tính bắt đầu cho sự phù hợp được đưa ra bởi các đối số đầu vào;
Người ta có thể giữ một số tham số cố định thành các giá trị cụ thể bằng cách chuyển vào các đối số từ khóa
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]6,
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]7, …,
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]8 [đối với tham số hình dạng] và
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]0 và
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]1 [tương ứng với tham số vị trí và tỷ lệ]Dữ liệu tham số mảng_like
Dữ liệu để sử dụng trong việc ước tính các tham số phân phối
arg1, arg2, arg3,… phao, tùy chọn[Các] giá trị bắt đầu cho bất kỳ đối số đặc trưng hình dạng nào [những đối số không được cung cấp sẽ được xác định bằng lệnh gọi tới
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]2]. Không có giá trị mặc định**kwds phao, tùy chọn
lộc. phỏng đoán ban đầu về tham số vị trí của phân phối
tỉ lệ. dự đoán ban đầu về tham số tỷ lệ của phân phối
Các đối số từ khóa đặc biệt được công nhận là giữ cố định các tham số nhất định
f0…fn. giữ cố định các tham số hình dạng tương ứng. Ngoài ra, các tham số hình dạng cần sửa có thể được chỉ định theo tên. Ví dụ: nếu
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]
3,>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]
4 và>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]
5 tương đương với>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]
6 và>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]
7 và>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]
8 tương đương với>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]
7kết bông. giữ cố định tham số vị trí thành giá trị đã chỉ định
quy mô. giữ tham số tỷ lệ cố định đến giá trị được chỉ định
trình tối ưu hóa. Trình tối ưu hóa để sử dụng. Trình tối ưu hóa phải lấy
>>> a1, b1, loc1, scale1 = beta.fit[x]
0 và vị trí bắt đầu làm hai đối số đầu tiên, cộng với>>> a1, b1, loc1, scale1 = beta.fit[x]
1 [đối với các đối số bổ sung để chuyển đến hàm được tối ưu hóa] và>>> a1, b1, loc1, scale1 = beta.fit[x]
2 để chặn đầu ra dưới dạng đối số từ khóaphương pháp. Phương pháp sử dụng. Giá trị mặc định là “MLE” [Ước tính khả năng xảy ra tối đa];
Các ước tính cho bất kỳ tham số hình dạng nào [nếu có], tiếp theo là các tham số cho vị trí và tỷ lệ. Đối với hầu hết các biến ngẫu nhiên, thống kê hình dạng sẽ được trả về, nhưng có những trường hợp ngoại lệ [e. g.
>>> a1, b1, loc1, scale1 = beta.fit[x]3]RaisesTypeError, ValueError
Nếu đầu vào không hợp lệ
Nếu khớp không thành công hoặc khớp sản xuất sẽ không hợp lệ
ghi chú
Với
>>> a1, b1, loc1, scale1 = beta.fit[x]5 [mặc định], mức độ phù hợp được tính toán bằng cách giảm thiểu hàm khả năng nhật ký âm. Một hình phạt lớn, hữu hạn [chứ không phải khả năng nhật ký âm vô hạn] được áp dụng cho các quan sát vượt quá sự hỗ trợ của phân phối
Với
>>> a1, b1, loc1, scale1 = beta.fit[x]6, sự phù hợp được tính toán bằng cách giảm thiểu định mức L2 của các lỗi tương đối giữa k khoảnh khắc dữ liệu thô [khoảng 0] đầu tiên và khoảnh khắc phân phối tương ứng, trong đó k là số lượng tham số không cố định. Chính xác hơn, hàm mục tiêu là
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]4
trong đó hằng số
>>> a1, b1, loc1, scale1 = beta.fit[x]7 tránh chia cho 0 trong trường hợp khoảnh khắc dữ liệu biến mất. Thông thường, định mức lỗi này có thể được giảm xuống bằng không. Lưu ý rằng phương pháp khoảnh khắc tiêu chuẩn có thể tạo ra các tham số mà một số dữ liệu nằm ngoài sự hỗ trợ của phân phối được trang bị;
Đối với một trong hai phương pháp, câu trả lời được trả về không được đảm bảo là tối ưu toàn cục; . Nếu dữ liệu chứa bất kỳ
>>> a1, b1, loc1, scale1 = beta.fit[x]8,
>>> a1, b1, loc1, scale1 = beta.fit[x]9 hoặc
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]80 nào, thì phương pháp này sẽ tăng
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]82
ví dụ
Tạo một số dữ liệu để phù hợp. vẽ các biến ngẫu nhiên từ phân phối
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]
Bây giờ chúng tôi có thể phù hợp với tất cả bốn tham số [______ 184, ________ 185, ________ 186 và ________ 187]
________số 8
Chúng tôi cũng có thể sử dụng một số kiến thức trước đây về bộ dữ liệu. hãy giữ cố định
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]86 và
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]87
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]8
Chúng tôi cũng có thể giữ các tham số hình dạng cố định bằng cách sử dụng từ khóa
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]90. Để giữ cho tham số hình dạng thứ 0
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]84 bằng 1, hãy sử dụng
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]92 hoặc, tương đương,
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]93
>>> from scipy.stats import beta >>> a, b = 1., 2. >>> x = beta.rvs[a, b, size=1000]9
Không phải tất cả các bản phân phối đều trả về ước tính cho các tham số hình dạng. Ví dụ:
>>> a1, b1, loc1, scale1 = beta.fit[x]3 chỉ trả về ước tính cho vị trí và tỷ lệ